Машинное обучение и нейронные сети в биологии и медицине

+7 (913) 390-08-48

Освойте машинное обучение и нейросетевые методы для решения задач биологии и медицины — от анализа данных и построения ML-моделей до работы с современными нейросетевыми инструментами.

Python → анализ данных → машинное обучение → нейронные сети → применение ИИ в биомедицинских задачах

Программа повышения квалификации

Дата старта программы — 21 октября 2026 г.

Биология | Медицина

Онлайн — курс

96 ак. ч.

Машинное обучение и нейронные сети в биологии и медицине

Получить консультацию

Смотреть программу

Программа подойдет

Обрабатывать реальные данные (например, single-cell RNA-seq)

Добавлять свои проекты в GitHub для работы в команде

Использовать трансформеры (ESM) и инструменты вроде: AlphaFold | ProteinMPNN | RFDiffusion

Классифицировать изображения с помощью сверточных нейронных сетей (CNN)

Узнать подробности

Подробнее о стоимости обучения

⁰¹
Биологам и медицинским исследователям, работающим с биологическими, омиксными и клиническими данными

⁰⁴
Студентам и аспирантам биологических, медицинских и IT-направлений, которые хотят развиваться в области применения машинного обучения и нейросетей в биологии и медицине

⁰²
Биоинформатикам и специалистам по анализу данных, которые хотят освоить методы машинного и глубокого обучения

⁰³
Сотрудникам R&D-подразделений фармацевтических и биотехнологических компаний

Вы научитесь:

7 октября

18:00 (нск) | 14:00 (мск)

^{Вебинар}
Практические инструменты компьютерного зрения для эффективного анализа биологических изображений

Записаться на вебинар

Создадим модель для классификации микроскопических изображений

Подход к обучению

Курс сфокусирован на том, чтобы вы научились самостоятельно разрабатывать и обучать модели машинного обучения с использованием библиотеки scikit-learn и создавать нейронные сети на базе PyTorch

Вы не просто познакомитесь с готовыми инструментами, а разберётесь в принципах их работы и научитесь осознанно выбирать и применять подходы под свою конкретную задачу.

Машинное обучение и нейросети в реальных задачах биологии и медицины

Оставить заявку

Поиск биомаркеров для диагностики и классификации рака
Машинное и глубокое обучение используется для анализа молекулярных данных, поиска потенциальных биомаркеров, диагностики и классификации онкологических заболеваний.

Мультиомиксная интеграция для персонализированной медицины
Методы глубокого обучения позволяют объединять разные типы омиксных данных для комплексного анализа и поиска потенциальных биомаркеров.

Аннотация и классификация типов клеток в данных секвенирования единичных клеток
Методы машинного и глубокого обучения помогают определять типы клеток и анализировать клеточные популяции по данным scRNA-seq.

Машинное обучение и нейросети могут стать инструментом для решения ваших исследовательских задач — особенно там, где приходится работать с большими и сложными массивами биологических данных. Примеры, где такие подходы уже применяются.

Предсказание структуры белков и моделирование конформационных ансамблей
Современные модели применяются для предсказания структуры белков, моделирования их конформаций и исследования взаимодействий с другими молекулами.

Выявление генетических вариантов из данных секвенирования
Методы глубокого обучения применяются для обнаружения генетических вариантов, в том числе соматических, в данных различных технологий секвенирования.

Программа состоит из следующих блоков

Основы Python для анализа данных в биологии и медицине

За 24 академических часа вы освоите Python с нуля и пройдёте путь от освоения ключевых конструкций Python до реализации алгоритма глобального выравнивания последовательностей и первичного знакомства с подходами к анализу больших наборов данных, включая single-cell RNA-Seq

Смотреть темы

Прикладной анализ данных и машинное обучение в биологии и медицине

Пройдёте путь от интуитивного понимания методов без учителя (кластеризация и понижение размерности) до обучения моделей классификации и регрессии и знакомства с AutoML на примере PyCaret

Смотреть темы

Python и нейронные сети в биомедицинских исследованиях: от кода до применения

Модуль последовательно знакомит с тем, как устроены и обучаются современные модели: от самых простых примеров до решения задач анализа изображений и биологических последовательностей.

Смотреть темы

Искусственный интеллект в решении практических задач биологии и медицины

Модуль учит, как устроены готовые нейросетевые модели и как применять их для предсказания структур белков, получения новых вариантов последовательностей, оценки свойств химических соединений и решения других прикладных задач

Смотреть темы

Освоите Python для решения своих исследовательских задач: научитесь загружать, обрабатывать и структурировать экспериментальные и биомедицинские данные, работать с таблицами, проводить базовый анализ и строить визуализации. Получите основу для дальнейшей работы с методами машинного обучения и нейронными сетями

Научитесь находить закономерности в больших массивах данных и применять методы снижения размерности, кластеризации, классификации и регрессии. Сможете обучать и оценивать модели, а главное — выбирать подходы под свои данные и исследовательские задачи

⁰¹
Работать с биологическими и медицинскими данными в Python

⁰²
Применять машинное обучение для анализа биомедицинских данных

⁰³
Создавать и обучать собственные нейронные сети

Научитесь работать с готовыми ИИ-моделями и понимать, какие инструменты подходят для решения ваших задач. Познакомитесь с AlphaFold, ProteinMPNN, RFDiffusion и другими современными решениями для предсказания структуры и свойств белков, работы с последовательностями и другими биологическими объектами

Что вы научитесь делать

Разберётесь, как устроены нейронные сети и как происходит их обучение. Научитесь создавать и обучать модели на базе PyTorch, адаптировать нейросетевые подходы под свои задачи и применять их для анализа биомедицинских данных, в том числе биологических и медицинских изображений

Оставить заявку

⁰⁴
Использовать современные ИИ-модели для решения задач биологии и медицины

Эксперт программы

Укладов Егор Олегович

Младший научный сотрудник Отдела синхротронных исследований для биологии и биомедицины ЦКП «СКИФ», ассистент Кафедры молекулярной биологии и биотехнологии ФЕН НГУ, ассистент Кафедры химии твёрдого тела ФЕН НГУ.
Окончил бакалавриат ФЕН НГУ в 2022 году (молекулярная биология) и магистратуру в 2024 году (синтетическая биология). С 2024 года является аспирантом ФЕН НГУ (молекулярная биология).

Исполнитель ряда грантов РНФ, ФНТП, Государственного задания.
Научные интересы: структурная биология, структурная биоинформатика, искусственный интеллект в структурной биологии.
Соавтор 5 научных статей, h-index = 3

подробнее

Стоимость обучения

Хочу пройти

28 000 ₽

Налоговый вычет

Как проходит обучение

01

от заявки до получения удостоверения

Мы свяжемся с вами в течение рабочего дня для подтверждения

Оставьте заявку

Осваивайте курс в удобном темпе онлайн

03

04

Получите удостоверение (электронное — сразу, оригинал — за 30 дней)

02

Отправьте пакет документов на d.soloveva@nsu.ru

Хотите собрать обучение под свои цели?

NEW

Переходите в конструктор образовательных траекторий и соберите персональный маршрут обучения

Подробнее

Остались вопросы?

Заполните форму и наш менеджер свяжется с вами

Получите бесплатную консультацию эксперта

Продолжая использовать сайт, вы даёте согласие на использование cookies и понимаете, что информация на сайте не является публичной офертой и носит исключительно информационный характер. Узнайте подробности или измените свои настройки cookies

Принять